一種基於離群點檢測的光伏陣列實時監控與故障檢測方法與流程
2023-12-03 04:21:06
本發明涉及一種基於離群點檢測的光伏陣列實時監控與故障檢測方法，屬於光伏發電技術領域。
背景技術：
目前針對於sp結構的光伏陣列的故障檢測方法已經有好多種，大多都是基於傳感器檢測，通過傳感器獲得的值相比較以判斷故障，但是，該方法傳感器眾多，限於小型的光伏陣列，實時性，智能化程度不高，且不能夠判斷出故障的程度，沒有相對明確的指標。
技術實現要素：
本發明的目的在於利用本發明的一種基於離群點檢測的光伏陣列實時監控與故障檢測方法，來對sp型拓撲結構光伏陣列實施監控與故障檢測，並判斷出故障位置，以解決現階段我國人工判別故障出現的時間點的不準確性，隨機性，不經濟性的問題。
為了解決上述技術問題，本發明提供基於一種離群點檢測的光伏陣列實時監控與故障檢測方法，包括以下步驟：
步驟a：實時採集光伏陣列各個組串的電流，獲取所有組串的電流數據。
步驟b：考慮到lof方法應用於小型光伏陣列的不適用性，對步驟a中的電流進行擴充處理。
對獲取的電流i＝{i1，i2，…ii}，如果i小於20，則需對上述電流數組進行擴充；否則不變；i表示電流的組串數。構造電流擴充矩陣e，如果一個光伏陣列的組串數小於20，則需要對組串進行擴充，則需要構造擴充矩陣e。
式中，j＝max(i)；u＝20modj+1；
其中，j表示光伏陣列組串數，u表示該光伏陣列需要擴充的組數，若j＝6,則u＝4,以此類推。
最後獲取用於離群點檢測新的iv』，iv』表示擴充之後的所有串電流的集合。
iv』＝i*e(2)
步驟c：對上述擴充後的電流值應用lof方法
設數據集x∈rn×m，其中n為樣本數，m為變量數。
定義1.k距離——各觀察對象距離其最近的觀察對象之間的距離。觀察對象p的k距離dk(p)：
dk(p)＝d(p,o)(3)
其中o為數據集x中與p鄰近的k個觀察對象最近的的一個觀察點。
定義2.p觀察對象的k距離領域nk(p)
nk(p)＝{q∈x/{p}|d(p,q)＜＝dk(p)}(4)
其中q為數據集x中的觀察對象。
定義3.觀察對象p相對於觀察對象o的局部可達距離。
reach-distk(p,o)＝max{dk(p),d(p,o)}(5)
定義4.觀察對象p的局部可達密度lrdk(p)
定義5.觀察對象的局部異常因子lofk(p)。
步驟d：對lof值進行處理，獲得最終用於評估光伏陣列是否異常的pvlof值。
式中，h——靈敏度調整值，通常由光伏陣列中安裝的電流傳感器的精度確定，如果精度很高，該值接近於1，如果精度稍低，該值可以適當放大，理論上如果光伏陣列正常，則所有組串的電流值應當相差無幾，該值為1，但是由於電流傳感器的檢測誤差，lof比1稍大，為控制檢測的靈敏度，不因過於靈敏而導致誤警報現象，根據實驗室所採用的的電流傳感器，靈敏度調整值h設定為5。
式中，pvlofi為最終第i串電流值相對應的離群因子值，w為正整數，取值從0到u。
本發明的有益效果為：
(1)、對sp型拓撲結構光伏陣列實施監控與故障檢測，能夠準確判斷出附著物陰影遮擋與遷移物陰影遮擋，能夠實現故障位置定位，並發出故障預警，以解決現階段我國人工判別故障出現的時間點的不準確性，隨機性，不經濟性的問題；
(2)相比於光伏仿真模型，該方法具有實時性，能夠適用於各種天氣情況下，各種規模的光伏電站進行實時監控與故障檢測。
附圖說明
圖1為本發明的流程圖；
圖2為陰影1故障圖；
圖3為陰影2故障圖；
圖4為故障檢測結果圖；
圖5為實時電流圖。
具體實施方式
為使本發明實現的技術手段、創作特徵、達成目的與功效易於明白了解，下面結合具體實施方式，進一步闡述本發明。
如圖1所示，本發明的基於離群點檢測的光伏陣列實時監控與故障檢測方法，包括以下步驟：
步驟a：通過傳感器實時採集光伏陣列各組串的電流值，獲取光伏陣列各組串實時電流數據。
步驟b:考慮到lof方法應用於小型光伏陣列的不適用性，對步驟a中的電流進行擴充處理。
判斷整個光伏陣列的組串數是否大於20，大於20則直接應用離群點lof方法進行檢測，若是小於20，按照式(1)構造擴充矩陣，對原始電流矩陣通過與擴充矩陣相乘獲得新的電流矩陣。
即，對獲取的電流i＝{i1，i2，…ii}，如果i小於20，則需對上述電流數組進行擴充；否則不變；i表示電流的組串數。構造電流擴充矩陣e，當一個光伏陣列的組串數小於20，則需要對組串進行擴充，才需要構造擴充矩陣e。
式中，j＝max(i)；u＝20modj+1；
其中，j表示光伏陣列組串數，u表示該光伏陣列需要擴充的組數，若j＝6,則u＝4,以此類推。
最後獲取用於離群點檢測新的iv』，iv』表示擴充之後的所有串電流的集合。
iv』＝i*e(2)
步驟c：對上述擴充後的電流值應用lof方法
設數據集x∈rn×m，其中n為樣本數，m為變量數。
定義1.k距離——各觀察對象距離其最近的觀察對象之間的距離。觀察對象p的k距離dk(p)：
dk(p)＝d(p,o)(3)
其中o為數據集x中與p鄰近的k個觀察對象最近的的一個觀察點。
定義2.p觀察對象的k距離領域nk(p)
nk(p)＝{q∈x/{p}|d(p,q)＜＝dk(p)}(4)
其中q為數據集x中的觀察對象。
定義3.觀察對象p相對於觀察對象o的局部可達距離。
reach-distk(p,o)＝max{dk(p),d(p,o)}(5)
定義4.觀察對象p的局部可達密度lrdk(p)
定義5.觀察對象的局部異常因子lofk(p)。
對新的電流矩陣按照式式(3)-(7)編寫離群點檢測程序獲得最終的lof值，作為評估光伏陣列是否出現故障的檢測標準。在此過程中，確定i即故障串的序號，定位到串，以實施定位。
步驟d：對lof值進行處理，獲得最終用於評估光伏陣列是否異常的pvlof值。
式中，h——靈敏度調整值，通常由光伏陣列中安裝的電流傳感器的精度確定，如果精度很高，該值接近於1，如果精度稍低，該值可以適當放大，理論上如果光伏陣列正常，則所有組串的電流值應當相差無幾，該值為1，但是由於電流傳感器的檢測誤差，lof比1稍大，為控制檢測的靈敏度，不因過於靈敏而導致誤警報現象，根據實驗室所採用的的電流傳感器，靈敏度調整值h設定為5。
式中，pvlofi為最終第i串電流值相對應的離群因子值，w為正整數，取值從0到u。
根據lof值，為儘可能降低誤警報率。通過調節靈敏度確定故障閾值，對lof值按照式(8)-(9)進行處理，確定最後用於評估光伏系統運行的參考數據pvlof。
為說明本算法的可行性，在多雲天氣中，給出兩種不同程度的陰影故障，兩種陰影故障分別如圖2所示的大陰影故障(應用透光率為0.2的遮光板對整個一塊光伏電池板進行遮擋)和如圖3所示的小陰影故障(應用透光率為0.2的遮光板對一塊電池板的一半進行遮擋)，故障檢測結果如圖4所示，實際電流如圖5所示。
以上顯示和描述了本發明的基本原理和主要特徵和本發明的優點。本行業描述的只是說明本發明的原理，在不脫離本發明精神和範圍的前提下，本發明還會有各種變化和改進，這些變化和改進都落入要求保護的本發明範圍內。本發明要求保護範圍由所附的權利要求書及其等效物界定。